[發明專利]交通場景下的運動車輛跟蹤方法

在審

• 申請號: 201611030765.5
• 申請日: 2016-11-16
• 公開（公告）號: CN106778484A
• 公開（公告）日: 2017-05-31
• 發明（設計）人: 陳錫清
• 申請（專利權）人: 南寧市浩發科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 北海市佳旺專利代理事務所(普通合伙)45115
• 代理人: 黃建中

技術領域

本發明涉及一種交通場景下的運動車輛跟蹤方法。

背景技術

隨著城市化進程不斷加快，交通運輸產業的發展和汽車保有量的增加給人們工作出行帶來了極大的便利。但是問題也接踵而來，城市道路建設嚴重滯后，城市交通管理經驗不足，道路網的通過能力無法滿足交通量增長的需求。交通阻塞日趨嚴重、交通事故頻繁發生，儼然已經成為世界各國所面臨的普遍難題。

為了解決城市交通中存在的種種問題，滿足不斷增長的交通需求，傳統的解決方案是通過不斷修建更多道路，加強城市交通基礎設施建設。這雖然在一定程度上緩解了問題的發生，保障了城市交通順利通暢，但畢竟可供擴建的道路資源是有限的，這種做法很難從本質上解決目前遇到的問題，各類交通事故仍在不斷發生。隨著科學技術的不斷發展和創新，人們開始考慮利用計算機視覺等技術來改善現有的城市道路交通，構建起更加便捷、高效、安全、暢通的交通管理系統，從而顯著提高了交通網絡的運輸和管理能力。智能交通系統便是在這種形勢下發展起來的。

智能交通系統(IntelligentTransportationSystem-ITS)是當今世界交通運輸發展的熱點和前沿。智能交通領域的研究主要包括車輛檢測、車輛跟蹤、車輛信息提取以及車輛行為分析等幾大方面，而車輛檢測與跟蹤作為智能交通系統的核心環節，為后續的車輛信息提取以及行為分析提供了重要保證。

車輛檢測與跟蹤技術的主要目的就是準確提取視頻圖像中的車輛目標，利用車輛的特征信息來實現匹配，確定目標在每一幀圖像中的位置，并提供運動軌跡作為車輛行為分析的依據。然而，實際交通場景十分復雜，普遍存在著人車混雜、交通阻塞、光線變化等多種干擾因素，這給車輛檢測與跟蹤帶來了極大的困難。車輛檢測與跟蹤的主要難點在于以下幾個方面：

1.人車混雜。在市中心、小區等人流較多的路段，來往行人會對車輛的檢測與跟蹤造成很大干擾，尤其在上下班高峰期，紅綠燈路口經常會出現人車混雜的現象。如何有效地區分行人與車輛、避免人流干擾是目前面臨的主要問題之一。

2.車輛遮擋。高速公路上的車流速度較快，車與車間距較大，因此車輛檢測與跟蹤相對容易。但是在市區路段車速普遍較慢，尤其在車流高峰期，很容易出現交通阻塞的情況，這時車輛之間會存在明顯的遮擋現象，這給車輛檢測與跟蹤帶來很大挑戰。

3.光照變化。交通場景下的光照條件隨時間變化顯著，由于光照變化而產生的車輛陰影會對檢測產生較大的影響，尤其在白天、夜晚不同光照條件下車輛的特征信息差異明顯。有效地解決光線變化的問題，實現全天候地穩定工作，是對交通場景下車輛檢測與跟蹤的基本要求。

4.算法復雜度。實際應用中電子警察系統對算法的實時性要求較高，算法不能過于復雜。

發明內容

本發明要解決的技術問題是提供一種交通場景下的運動車輛跟蹤方法。

交通場景下的運動車輛跟蹤方法，包括以下步驟：

S1：通過攝像頭進行前端視頻圖像采集，對圖像進行預處理，并對運動車輛進行目標檢測作為跟蹤對象；

S2：利用Kalman濾波器對跟蹤目標進行運動估計，通過建立運動狀態模型，根據被跟蹤目標的歷史運動信息，預測其在當前幀中的位置；

S3：Camshift目標跟蹤，根據跟蹤目標在前一幀中保存的顏色直方圖，在Kalman濾波器給出的預測范圍內計算反向投影，利用Camshift算法搜索運動目標；

S4：標記出運動目標后，判斷目標位置是否發生重合，如果存在目標遮擋的現象則僅更新目標的位置信息，不更新直方圖，如果沒有遮擋情況則同時更新運動狀態和相應直方圖；

S5：將更新后的目標作為下一幀的跟蹤對象，重復執行上述過程。

進一步的，所述運動車輛目標檢測具體方法如下：

S1-1：從視頻圖像中提取大量的車輛圖像作為正樣本，非車輛圖像作為負樣本，從訓練樣本中提取Haar-like矩形特征作為訓練的特征集；

S1-2：假設樣本空間為X，樣本表示為Y＝{0，1}，其中0表示非車輛，1表示車輛。假設Haar-like特征總數為N，w_t,j代表第t輪循環時第i個樣本的權重；

S1-3：強分類器的訓練方法如下：

(1)對一系列訓練樣本(x₁,y₁),(x₂,y₂),...,(x_n,y_n)，假設樣本庫中n個樣本為均勻分布，則樣本權重w_t,j＝1/n；